شکار بیماریهای پنهان در بیمارستانها؛ استارتاپ هوش مصنوعی هلثلیپ ۳۸ میلیون دلار سرمایه جذب کرد
استارتاپ هلثلیپ با جذب ۳۸ میلیون دلار سرمایه تازه، قصد دارد پلتفرم هوش مصنوعی خود برای شناسایی زودهنگام بیماریهای پنهان و نادیدهگرفتهشده در بیمارستانها را گسترش دهد. این ابزار هوشمند با تحلیل یادداشتهای متنی پزشکان، خطرات خاموشی مثل سوءتغذیه را پیش از وخیم شدن اوضاع شناسایی میکند.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- استارتاپ هلثلیپ (Healthleap) موفق شد در دورهای بذری و سری A با مشارکت سرمایهگذاران نامآشنایی مانند سکویا کپیتال، ۳۸ میلیون دلار سرمایه تازه جذب کند.
- این سیستم هوش مصنوعی شبها پرونده و یادداشتهای متنی پزشکان را موشکافی میکند تا عوارض خاموشی مثل سوءتغذیه یا دلیریوم را پیش از حاد شدن تشخیص دهد.
- هلثلیپ اکنون در بیش از ۵۰ بیمارستان بزرگ فعال است و علاوه بر ارتقای مراقبت از بیماران، سالانه میلیونها دلار صرفهجویی مالی برای مراکز درمانی به ارمغان آورده است.
استارتاپ هلثلیپ (Healthleap) که یک پلتفرم هوش مصنوعی برای پایش پروندههای بالینی با هدف شناسایی زودهنگام بیماران در معرض عوارض پنهان توسعه داده، موفق به جذب ۳۸ میلیون دلار سرمایه در دورهای بذری (Seed) و سری A شده است.
این تأمین مالی شامل یک دور بذری ۸ میلیون دلاری با رهبری مشترک سکویا کپیتال (Sequoia Capital) و فرست راند کپیتال (First Round Capital)، و یک دور سری A به ارزش ۳۰ میلیون دلار به رهبری هامینگبرد ونچرز (Hummingbird Ventures) است. این شرکت هنوز ارزشگذاری خود را بهصورت عمومی فاش نکرده است.
هلثلیپ در سال ۲۰۲۲ توسط یک خواهر و برادر به نامهای جمیما و جوزیا مایر (Jemima and Josiah Meyer) در آفریقای جنوبی تأسیس شد. این استارتاپ در ابتدا با یک ابزار تغذیه بالینی که جمیما برای متخصصان رژیمدرمانی طراحی کرده بود کارش را آغاز کرد؛ اما بهگفته جوزیا مایر، همبنیانگذار و مدیرعامل شرکت، آنها بهمرور مسیر خود را تغییر دادند و به سراغ ساخت پلتفرمی جامع رفتند. هدف اصلی این پلتفرم شناسایی بیمارانی است که در بیمارستان بستری شدهاند و ممکن است به مشکلاتی چون سوءتغذیه یا دلیریوم (روانآشفتگی) دچار باشند؛ خطراتی که معمولاً خیلی دیر تشخیص داده میشوند.
جوزیا در این خصوص توضیح میدهد: «پرونده پزشکی هر بیمار دو بخش داده دارد؛ بخش اول مثل نتایج آزمایشها، وزن و علائم حیاتی در فیلدهای ساختاریافته ثبت میشوند، اما تعیینکنندهترین و گویاترین نشانهها در یادداشتهای دستنویس و متنی پزشکان مخفی ماندهاند؛ نشانههایی مانند بیاشتهایی، کاهش وزن ناگهانی، تحلیل عضلانی یا مشکل در بلع غذا. رویکرد ما این است که تمام اشارات مثبت یا منفی به این مفاهیم بالینی را به شیوهای کاملاً مقیاسپذیر و توسعهپذیر از دل این متنها استخراج کنیم.»
به گفته او، پلتفرم هلثلیپ در حال حاضر در بیش از ۵۰ بیمارستان مستقر شده و بیماران را برای تشخیص سریع نشانههای سوءتغذیه و دلیریوم ارزیابی میکند. این استارتاپ همچنین برنامههایی را برای شناسایی بیماریهایی چون ذاتالریه ناشی از آسپیراسیون، زخم بستر و ریسک بستری مجدد مبتلایان به نارسایی احتقانی قلب آماده کرده که در مرحله اعتبارسنجی بالینی قرار دارند.
هلثلیپ برای پیدا کردن بیماران در معرض ریسک، مستقیماً به سیستم پرونده الکترونیک سلامت (EHR) بیمارستان متصل میشود و با بهرهگیری از مدلهای زبانی، دادههای پنهان را از دل یادداشتهای کادر درمان استخراج میکند. این تحلیلها در ادامه همراه با دادههای ساختاریافته نظیر آزمایشها وارد مدلهای تخمین ریسک میشوند تا بیمارانی که به توجه و مراقبت دقیقتر نیاز دارند مشخص شوند. البته این شرکت تأکید دارد که هوش مصنوعیاش کار تشخیص پزشکی را انجام نمیدهد، بلکه صرفاً موارد مشکوک را برای بازبینی بیشتر به کادر درمان گوشزد میکند.
جوزیا در تشریح روند کار میگوید: «ما هر شب پرونده تمام بیماران بزرگسال بستریشده را آنالیز میکنیم؛ از نتایج آزمایشگاه و علائم حیاتی گرفته تا داروها، دستورات غذایی، تشخیصها و یادداشتهای بالینی. سپس هر روز صبح، نمره ریسک هر بیمار را در قالب یک داشبورد ساده وارد جریان کاری معمول تیم درمان میکنیم تا اطلاعات و روندهای بالینی بهراحتی در دسترس کادر درمان باشد.»
تمرکز اولیه هلثلیپ روی سوءتغذیه یک نقطه آغاز فوقالعاده هوشمندانه بود؛ عارضهای جدی که در اغلب موارد بدون تشخیص باقی میماند و روند بهبودی بیماران را با اختلالات جدی مواجه میکند. پژوهشها نشان میدهند بین ۲۰ تا ۵۰ درصد از بیماران بستری در بیمارستانها دچار سوءتغذیه هستند و چندین مطالعه معتبر نیز ارتباط این مشکل را با بستری طولانیتر، تأخیر در ترمیم زخمها، عفونتهای جانبی و در نهایت افزایش آمار مرگومیر تأیید کردهاند.
به گفته جوزیا مایر، تعداد بیمارستانهای همکار هلثلیپ طی سال گذشته از ۳ مرکز به بیش از ۵۰ بیمارستان بزرگ از جمله Penn Medicine، Cedars-Sinai، Intermountain، Houston Methodist و Emory Healthcare افزایش پیدا کرده است. او همچنین خاطرنشان کرد که درآمد استارتاپ در همین بازه بیش از ۱۰ برابر جهش داشته است.
این استارتاپ مدل فروش قراردادهای سهساله بر اساس تعداد تختهای بیمارستانی و همچنین تعرفهگذاری مبتنی بر نتیجه را در پیش گرفته است. جوزیا میگوید: «معیار اصلی ما بازگشت سرمایه ملموس و مستقیمی است که تیم مالی بیمارستان آن را ارزیابی و تأیید میکند. بر همین اساس، در قرارداد ضمانت میدهیم که چند برابر هزینه پرداختی به آنها سودآوری مالی برسانیم. تا امروز تمام مشتریان ما حداقل بازگشت سرمایه ۵ برابری و در برخی موارد حتی بیش از ۲۰ برابری را گزارش کردهاند.»
به عنوان نمونه در بیمارستان دانشگاه پنسیلوانیا، پلتفرم هلثلیپ توانسته سالانه ۲۳.۸ میلیون دلار سودآوری و بهینهسازی مالی ایجاد کند؛ رقمی که ۶.۳ میلیون دلار آن از طریق بازپرداختهای دقیقتر بیمه و ۱۷.۵ میلیون دلار دیگر به دلیل کاهش مدتزمان بستری غیرضروری بیماران محقق شده است.
هلثلیپ قصد دارد این منابع مالی تازه را در بخشهای مهندسی، توسعه محصول، تیمهای فروش و موفقیت مشتری سرمایهگذاری کند. مایر اعلام کرد که چشمانداز نهایی آنها، پوشش بیش از ۴۰ بیماری مهم بالینی و در ادامه ورود به بخش مراقبتهای سرپایی و خدمات سلامت در منزل است.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی

خالق Claude Code: «با هوش مصنوعی مثل همکارتان گپ بزنید!»؛ ۳ ترفند طلایی برای پرامپتنویسی
دوران پرامپتنویسیهای پیچیده و فرمولهای عجیبوغریب به پایان رسیده است؛ بوریس چرنی، خالق ابزار محبوب Claude Code، میگوید با مدلهای پیشرفته جدید فقط کافی است مثل یک همکار معمولی صحبت کنید. او با به اشتراک گذاشتن استراتژیهای خود، سه اصل کلیدی و ساده را برای گرفتن بهترین خروجی از هوش مصنوعی معرفی کرده است.

استارتاپ مهندسان سابق اسپیسایکس ۱۰۰ میلیون دلار گرفت؛ قطارهای باری خودران در راهند!
استارتاپ Parallel Systems که توسط مهندسان سابق اسپیسایکس راهاندازی شده، ۱۰۰ میلیون دلار سرمایه جدید برای ساخت واگنهای باری برقی و خودران جذب کرد. این سیستم ریلی هوشمند قصد دارد با پوشش مسیرهای کوتاه، بار ترافیکی کامیونها را کاهش داده و حملونقل کالا را سریعتر و ارزانتر کند.

کلون کردن هر صدایی فقط با یک کلیپ ۳ ثانیهای؛ قابلیت جذاب شبیهسازی آنی به مدل محبوب Kokoro-82M آمد
مدل سبک و سریع تبدیل متن به گفتار Kokoro-82M با دریافت یک آداپتور متنباز جدید، حالا میتواند تنها با یک کلیپ صوتی ۳ ثانیهای، هر صدایی را با بالاترین کیفیت کلون کند. این بهروزرسانی بدون دستکاری مدل اصلی کار میکند و توسعهدهندگان میتوانند خیلی راحت بستههای صوتی اختصاصی را مستقیماً در خطوط لوله فعلی خود به کار بگیرند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.